بررسی تأثیر مدل کاپولا بر بهبود دقت شبکههای عصبی در پیشبینی مقاومت فشاری بتن مورد استفاده در روسازیهای بتنی | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 17 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jtie.2026.41156.1763 | ||
| نویسندگان | ||
| سحر علیشاهی1؛ سید علی ضیائی* 2؛ حسین محمدی1 | ||
| 1کارشناس ارشد ، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران | ||
| 2دانشکده مهندسی دانشگاه فردوسی مشهد ودانشکده عمران دانشگاه تهران | ||
| چکیده | ||
| در سالهای اخیر استفاده از روشهای یادگیری ماشین برای پیشبینی خواص مکانیکی بتن بهطور گستردهای مورد توجه قرار گرفته است. در این میان، پیشبینی دقیق مقاومت فشاری بتن بهعنوان یکی از مهمترین پارامترهای طراحی در روسازیهای بتنی مطرح میباشد. با این حال، محدودیت دادههای آزمایشگاهی یکی از چالشهای اصلی در توسعه مدلهای دقیق یادگیری ماشین است. در این پژوهش، یک رویکرد ترکیبی مبتنی بر مدل کاپولا گوسی و شبکه عصبی مصنوعی (Copula-ANN) برای افزایش دادههای آموزشی و بهبود دقت پیشبینی مقاومت فشاری بتن ارائه شده است. دادههای مورد استفاده از مجموعه داده استاندارد Yeh استخراج شده و شامل متغیرهای طرح اختلاط بتن و مقاومت فشاری میباشد. عملکرد مدل پیشنهادی با شبکه عصبی معمولی و رگرسیون خطی مقایسه گردید. نتایج نشان داد که استفاده از روش کاپولا موجب بهبود قابل توجه عملکرد شبکه عصبی شده و مقدار ضریب تعیین از 914/0 به 976/0 افزایش یافته است. به منظور ارزیابی قابلیت تعمیمپذیری مدل، اعتبارسنجی خارجی با استفاده از دادههای آزمایشگاهی بتنهای پرمقاومت منتشرشده در مطالعات معتبر انجام شد. نتایج این اعتبارسنجی نشان داد که مقادیر پیشبینیشده توسط مدل پیشنهادی انطباق مناسبی با دادههای آزمایشگاهی داشته و دقت و قابلیت اعتماد مدل را تأیید میکند. در نهایت، نتایج بیانگر توانایی مدل پیشنهادی در افزایش دقت پیشبینی مقاومت فشاری بتن و بهبود قابلیت تعمیمپذیری مدلهای یادگیری ماشین در مسائل مهندسی بتن میباشد. | ||
| کلیدواژهها | ||
| روسازی بتنی؛ بتن پرمقاومت؛ شبکه عصبی مصنوعی؛ روش کاپولا | ||
|
آمار تعداد مشاهده مقاله: 158 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,394 |
| تعداد مشاهده مقاله | 72,849,927 |
| تعداد دریافت فایل اصل مقاله | 64,548,920 |